[2026-03-24] データ分析基盤において AI でチャレンジしていること

Transcript

1. データ分析基盤において AI でチャレンジしていること AI と働く会社は何をしている？ PM とエンジニアが仕掛ける “社内浸透” の具体アクション共有会 2026-03-24 株式会社 IVRy 和⽥ 悠佑
2. 2 ⾃⼰紹介 〜 2022 年 CtoC マーケットプレイス運営企業 データアナリスト‧エンジニア 2022 年 〜 株式会社 estie データエンジニア Snowflake の運⽤などなど 2024 年 〜 株式会社 IVRy アナリティクスエンジニア 分析⽤データモデルの開発などなど 和⽥ 悠佑 Analytics Engineer
3. 3 2 ヶ⽉前に全部話しちゃった…… YouTube
4. 4 仕掛り中のものを紹介 データ分析基盤周りでの AI 利⽤に関して どんなことを課題だと思っていて どんなアプローチで解決しようとしているのか を共有させていただきます！
5. 5 1. アナリティクスエンジニアって？ 2. データ周りでの AI “社内浸透” への課題 3. 仕掛り中のものの紹介 a. Slack からデータ抽出 b. 社内利⽤の監視‧評価 もくじ
6. 6 アナリティクスエンジニアとは？ データ分析だけでなく、その元のデータの品質の向上を⽬指す クリーンなデータを社内のユーザに届け ユーザが⾃ら疑問を解消できるような 「データの⺠主化」を図る
7. 7 データの⺠主化 組織内のすべての⼈が データに（適切に）アクセスできるようにすることであり、 データを理解するために必要なツールや トレーニングを提供すること 引⽤:「データの⺠主化：信頼されたデータの活⽤によるビジネスの変⾰」 https://www.databricks.com/jp/blog/data-democratization-embracing-trusted-data-transform-your-business
8. 8 AI 社内浸透の観点では？ 組織内のすべての⼈が データに（適切に）アクセスできるようにすることであり、 データを理解するために必要なツールや トレーニングを提供すること ここに LLM を活⽤
9. 9 Databricks AI/BI Genie Databricks 公式サイト より
10. 10 󰨄 Genie でやっていること データに対する質問‧取得 ダッシュボードのデータについて質問 別の切り⼝でのデータ集計の指⽰‧結果のダウンロード コードの⽣成（Genie Code） SQL や Python (Notebook) を⽣成
11. 1. アナリティクスエンジニアって？ 2. データ周りでの AI “社内浸透” への課題 3. 仕掛り中のものの紹介 a. Slack からデータ抽出 b. 社内利⽤の監視‧評価 11 もくじ
12. 12 事業上、重要な指標については 公式の定義をデータ基盤上に実装し それを参照する形になってきている AI で取得可能なデータに関する問い合わせはかなり減った データ分析基盤の AI 浸透度
13. 13 感じている課題 ⾃然⾔語で問い合わせできるとはいえ、 データに関する多少の知識はやはり必要。 AI をうまく使える / 使えないの差はある程度存在する。 AI の利⽤レベルの差 AI などを使ってクエリを作成することはできるが、 データを抽出したらそのままになってしまうことが多い。 データ抽出のプロセスに関しての情報が残りにくい。 分析の過程が管理されない
14. 14 結局、昔からある課題…… SQL が AI に置き換わっただけ。 データに関する知識はどこかで触れる必要がある。 AI の利⽤レベルの差 データ抽出が完了した時点で使ったコードへの意識が薄れるのは昔から。 ⾃然⾔語でデータ抽出ができるようになったことで、より難しい問題に。 分析の過程が管理されない
15. 15 1. アナリティクスエンジニアって？ 2. データ周りでの AI “社内浸透” への課題 3. 仕掛り中のものの紹介 a. Slack からデータ抽出 b. 社内利⽤の監視‧評価 もくじ
16. 16 Slack からデータ抽出
17. 17 「AI の利⽤レベルの差」問題 データ職が「AI に⾃分で聞いてね！」の態度を取ることで 「⾃分でできちゃう⼈」と「どうしていいかわからない⼈」の 差を強く感じるようになってきた ⾃然⾔語なので「SQL で⾃分でやってね！」より ハードルは低いが、それでも突き放し感は⽣じる
18. アイデア 他の⼈が AI に投げたプロンプトや その結果⾃体を気軽に⾒れるようにしたらどうだろうか？ アプローチ Slack 経由で Genie に質問を投げられるようにしたらどうか？ Genie は API でアクセスができる （公式 Docs: https://docs.databricks.com/aws/ja/genie/conversation-api） 18 「AI の利⽤レベルの差」問題への対応案
19. 19 Slack から Genie へアクセス（サンプル） ❌ ⚡ Bolt for Python
20. 20 サンプル その 2 曖昧な指⽰を出すと聞き返される 他の⼈のプロンプトを⾒て、AI への指⽰の how に触れられるかも （SQL や結果を検索したり、そのまま数字に対して議論したりも）
21. 21 実現にあたっての課題 コストとリスク Bolt for Python⚡ を使うなら実⾏環境が必要 Slack にポストする形だと権限管理も複雑に Slack だと楽、は正しいか……？ 検索されやすい環境だけど、検索しやすいかは別 他の選択肢も模索中……
22. 22 社内利⽤の監視‧評価
23. 23 「分析の過程が管理されない」問題 社内の誰でもデータに触れていい環境にしたいので 基本的には利⽤制限はかけない ⼀⽅で、そのせいで how が属⼈的に データをスプレッドシートに転送する⼈ raw から全部⾃分で加⼯する⼈ 中間テーブルを使いこなす⼈
24. 24 「分析の過程が管理されない」問題への対応案 アイデア そもそも何をしているのかを全部把握できていない。 利⽤状況を監視‧評価したい（なるべく楽に） アプローチ Databricks に投げられるクエリを AI で評価して 課題のある部分を特定できないだろうか？
25. 25 クエリそのものを AI に評価させる
26. 26 SQL を（無理やり）構造化データにして分析 基本的には • 複雑さ: 低 • 品質: 中 が圧倒的に多い。 簡単なクエリなら AI で 代替できるかも？ エンジニア PdM Sales (SMB) Sales (EP) Ops SMB セールスで複雑なクエリが使われている Web マーケなどでデータが重要なことの表れか 逆に EP セールスはあまり Databricks 利⽤がない
27. 27 本質的な課題は別にありそう…… データアナリスト界隈は dbt で エンジニアリングのべスプラを得た （コードレビュー、データテスト、etc, ...） データ分析に関しても、使い捨てるのではなく 資産として AI に置き換えていく マインド‧⽂化の形成が必要
28. 28 データ分析基盤での AI “社内浸透” • AI でデータへアクセス‧分析！ ◦ 利⽤は広がってきている • 課題はまだまだある ◦ AI の使い⽅の広げ⽅ ◦ AI に代替してもらうための マインド‧⽂化も必要 まとめ
29. 29 We are Hiring!